Predicting epileptic seizures in advance improves greatly the life of epileptic patients. In this paper we present a new approach based on patient specific channel optimization using four different features namely entropy, variance, kurtosis and skewness. After selecting three best channels for each method, we then use Convolutional Neural Network (CNN) to classify raw EEG signal in order to discriminate between interictal and preictal state. With entropy, our method achieves a good degree of prediction in terms of accuracy 97.09%, sensitivity 97.67% and specificity 96.51% for patient 01 using channels 4, 8 and 20.
PL
Przewidywanie napadów padaczkowych z wyprzedzeniem znacznie poprawia życie chorych na padaczkę. W tym artykule prezentujemy nowe podejście oparte na optymalizacji kanałów specyficznych dla pacjenta przy użyciu czterech różnych metod, a mianowicie entropii, wariancji, kurtozy i skośności. Po wybraniu trzech najlepszych kanałów dla każdej z metod, wykorzystujemy Neuronową Sieć Konwolucyjną (CNN) do klasyfikacji surowego sygnału EEG w celu rozróżnienia pomiędzy stanem międzynapadowym i przednapadowym. Dzięki entropii nasza metoda osiąga dobry stopień predykcji w zakresie dokładności 97,09%, czułości 97,67% i specyficzności 96,51% dla pacjenta 01 przy użyciu kanałów 4, 8 i 20.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.